超密集部署下以用户为中心的分簇与资源分配

尼俊红,张 烁,尹喜阳,李霜冰

(1.华北电力大学(保定)电气与电子工程学院，保定 071003；2.国网天津市电力公司信息通信公司，天津 300010)

部署非常密集的接入节点(如微基站、家庭热点)是5G解决飙升的移动业务需求的关键方法。在超密集网络(ultra-dense network,UDN)场景中[1]，用户与其相关联的接入节点之间的距离大大减小，因此可以获得更强的无线链路增益以及更好的频谱空间重用，系统性能得到显著提高。由于UDN中小基站彼此距离很小、数量较多，在这种情况下，用户可能经历更多的小区间干扰。因为来自邻近小区的信号强度与服务小区的信号强度处于同一等级，大多数用户都可以被看作信干噪比(signal to interference plus noise ratio,SINR)比较差的边缘用户，因此，抑制干扰对于UDN来说是非常重要的。协同多点(coordinated multiple-point,CoMP)传输作为抑制小区间干扰(inter-cell interference,ICI)的有效方法[2]，在长期演进(long term evolution,LTE)和其升级版(LTE-advanced,LTE-A)中得到了广泛研究和应用，同时也被认为是可以在5G[3]以及未来云无线接入网(cloud radio access network，C-RAN)架构中[4]继续发挥重要作用的干扰消除技术。

利用CoMP技术可以将多个基站的数据同时传输给一个特定的用户设备，将这多个基站划分到一个所谓的“簇”中，这样就引入了分簇的概念。分簇方式可以分为以网络为中心的分簇(network-centric clustering，NCC)和以用户为中心的分簇(user-centric clustering，UCC)[5]。NCC是从网络的角度出发，将宏基站区域内的小小区划分为若干互不相交的簇，一个簇服务区域内的所有用户由簇中的所有小区或部分小区提供服务。这种方法的优点是易于实施，但簇边缘处的用户易遭受簇间干扰。UCC方法是每个用户单独选择自己的小区簇，簇与簇之间允许重叠。这种方法消除了边缘的簇间干扰问题，能够提供更好的SINR增益，但需要更高的回程容量并且更复杂。

传统的静态分簇中[6]，小基站不可以同时属于两个虚拟小区簇，一旦小基站加入到一个虚拟小区簇，簇中的小基站以及小基站的数量就会保持不变，这种类型的虚拟小区簇无法适应用户位置和信道条件的变化。为了解决静态分簇的问题，动态分簇以增加基站之间的信令开销为代价，根据用户的位置和信道条件，动态地生成簇以最大化整个系统的性能，例如系统吞吐量、系统能效等。Papadogiannis等[7]利用了一种贪婪算法以最大化和速率为目标进行动态分簇，直到所有基站都成功加入某个簇。尽管非重叠的动态分簇可以优化系统性能，仍会有部分用户受到属于其他虚拟小区簇的临近基站的干扰，因此可重叠分簇开始受到研究者的关注。Marsch等[8]研究了具有三个协作基站的分簇，并证明了可重叠分簇和非重叠分簇相比可以更加接近理想分簇的性能。Feng等[9]提出了一种可重叠的动态分簇算法，该算法利用基站的可重叠分簇，实现了整个网络的无缝覆盖，然而这种可重叠分簇的网络是正六边形网络，实际中微基站无法这样规则的部署。

在未来的网络建设中，用户的业务需求多样化，每个用户对流量、时延、中断率的要求不统一，例如视频业务对流量及中断率要求较高而对时延并不那么敏感，而车联网业务对时延要求较高但对流量的需求并不算大[10]。因此未来的系统性能应该以用户为中心去考虑问题，而不是继续在网络为中心的基础上不断优化。Bassoy等[5]以最大化小区簇的频谱效率为目标，提出了一种两阶段的UCC分簇算法，在尽量减小对频谱效率影响的条件下平衡簇内负载。Li等[11]设计了一种结合动态点降低功率(dynamic point reduced power，DPRP)和联合传输的基于UCC的CoMP方案，在不会使吞吐量降低太多的基础上提高能效。Li等[12]提出了一种5G CoMP系统的多媒体传输智能调度和功率控制框架，根据亲和传播(affinity propagation，AP)分簇算法在每个物理资源块(physical resource block，PRB)中为每个边缘用户确定簇；然后，基于纳什议价解决方案(nash bargaining solution，NBS)，开发了一种考虑传输延迟的功率控制方案，以保证用户的广义比例公平性。

现有的研究文献少有考虑分簇后移动用户的服务质量问题，为了优化移动用户在分簇后的平均频谱效率和用户吞吐量的满足率，在考虑CoMP簇内资源块约束的条件下，设计以用户为中心的分簇算法。

1 系统模型

研究控制-数据分离架构(control-data separation architecture，CDSA)下的超密集异构网络场景，考虑下行链路传输。假设宏基站用户使用正交的频谱资源，微基站复用宏基站的全部频谱资源。宏基站位于区域中心，宏基站覆盖范围内随机部署了n个微基站，分布有m个移动用户，定义移动用户和微基站的单元索引分别为i和j。

1.1 用户与单基站间的链路

移动用户i和基站j之间的信干噪比如式(1)所示：

(1)

1.2 用户与多基站间的合作链路

定义移动用户i与基站j的关联情况：

(2)

移动用户i和基站组Ci之间的信干噪比如式(3)所示：

(3)

结合香农公式，得到在t时刻移动用户的吞吐量为

(4)

2 以用户为中心的分簇

将用户分为宏基站用户设备(cellular user equipment,CUE)和微基站用户设备(small-cell user equipment,SUE)，假设基站与用户间的平均接收功率已知，用户可以自行选择成为CUE或者SUE。重点研究对象是服务SUE的微基站的选择问题，以下移动用户均指的是SUE。为了支持用户的移动性和一定的速率需求，应对用户在移动过程中的服务质量问题，为每个移动用户设定了一个随机的速度向量，并根据速度向量对用户在下一个分簇周期起始时刻的位置进行预判，并以此为依据进行预分簇，但用户位置的预测算法不在的研究范围。

2.1 遍历分簇算法

假设用户在每一个分簇周期起始时刻的位置可以估计，并将一个分簇周期分为T个时段。由于动态分簇复杂程度高，信息交互过于频繁，采用可增长分簇周期的半动态分簇，即根据移动用户信道条件为每个用户预先选用一个协作集，然后通过计算不同基站组合的服务质量来确定最终提供服务的协作簇。

定义用户-基站关联矩阵：

(5)

当关联矩阵中某一个元素aji=1时，表示用户i接入基站j。关联矩阵第i列中非零元素对应的行索引集合Ci表示服务于移动用户i的协作簇。

定义移动用户i在一个分簇周期内的平均频谱效率为

(6)

则目标函数可表示为

(7)

约束条件：

(8)

aji∈{0,1}, ∀j∈N

(9)

(10)

式(7)的约束条件中：式(8)表示基站j为用户分配的带宽资源需要小于最大的系统可用带宽，W表示基站的总带宽；式(9)表示用户的关联矩阵元素的取值范围；式(10)表示服务用户的基站簇满足个数限制，即簇成员的个数小于k1。由于式(7)无法使用常规计算进行求解，因此遍历用户i的所有可能备选基站来求解目标函数。

算法实现：

Step1根据用户的速度向量判断用户是否为移动用户，若是，按以下步骤为该用户分配基站组。

Step2若不是移动用户，则根据用户当前的信道增益为其分配基站组。

Step3重复Step1、Step2步骤。

2.2 预分簇方案

由于遍历分簇算法需要计算备选基站所有组合的增益大小，计算量较大，为了降低分簇算法的计算复杂度，设计一种预分簇的方案。考虑当前用户的下一移动位置，对下一移动位置的基站增益进行预估计，并引入权重因子。在这种方法中不需要对所有备选基站的组合进行计算，因此有效降低了计算的复杂程度。

(11)

3 基站组的资源分配

使用结合优先级的着色法，根据用户的信道条件为各个用户分配资源块。假设功率均分在每个资源块上，对于簇间CoMP而言，重点就在于需要满足进行联合传输的基站使用相同的资源，对于本论文而言即为同一个用户提供服务的协作小基站使用相同资源块。基站的资源块分配方案如式(12)所示：

(12)

约束条件：

bij,r∈{0,1},r∈{1,2…,50}

(13)

(14)

(15)

(16)

为了避免信道条件较差的用户的服务得不到满足，设置资源分配的优先级，定义用户在一个分簇周期内的吞吐量满意度为

(17)

则可以根据式(18)得出所有用户的优先级调度值Q，对所有优先级调度值进行升序排序，根据由小到大的顺序依次对用户进行资源块的分配。

(18)

根据上一节的分簇结果，结合优先级对移动用户逐一进行资源分配，具体资源分配步骤如下：①初始化资源块占用标识bij,r=0，计算分簇后的用户达到目标速率所需资源块最少个数，并根据式(18)计算各个用户的优先级；②对高优先级用户优先分配资源并更新资源块占用标识；③轮询所有用户后可能会有个别未得到服务用户，记录；④对未得到服务用户重新进行分簇并执行①、②，直到所有用户都得到服务。

4 仿真结果

4.1 仿真参数

表1所示为仿真参数。路损参数中d表示基站与用户的距离，单位为km。

表1 仿真参数Table 1 Simulation parameters

考虑下行链路，区域中心位置布置一个宏基站，覆盖半径为500 m，在其覆盖区域内随机分布微基站及用户。基站的位置服从随机均匀分布，用户分为静态用户及移动用户。移动用户的产生概率为0.9，移动速度为30 m/s，方向随机；用户的初始位置也服从随机均匀分布。一个分簇周期内的时段T定为4，系统的资源块个数为50，备选基站的阈值δ为3 dB，备选基站个数最大为k2=7个，预分簇的权重因子α设置为0.8，仿真次数均为5 000次。

4.2 仿真结果及分析

原算法为文献[13]的分簇算法，对原算法、遍历算法以及预分簇算法进行仿真和性能比较，系统内基站和用户数量均为100。图1为移动用户的速率累积分布图，图1中虚线表示该算法中簇的大小是固定为4；实线表示该算法中簇的大小为可变的，簇大小根据用户接收信号的强弱变化。用户接收到的信号较好时，基站簇的大小较小，最小值为2；用户接收到的信号较差时，基站簇的大小较大，最大值为4。

图1 移动用户速率累计分布Fig.1 Rate cumulative distribution of mobile users

图1为移动用户速率累积分布函数(cumulative distribution function，CDF)图，可观察到原算法移动用户的速率曲线不圆滑，这是由于原算法在每次分簇周期的开始只考虑当前的信干噪比，并未考虑用户在确定好分簇基站组后的移动给用户通信带来的负面影响，尤其是信干噪比较差的用户，影响更加严重。原算法中低速率的用户较多，而本文算法在满足用户的速率要求上表现较好，即较多的用户平均速率大于1 Mbit/s。统计仿真结果，得到移动用户满足平均速率大于1 Mbit/s的比率如表2所示。

表2 比率统计结果Table 2 Statistics results of ratio

表2中算法1、2、3分别为原算法、遍历算法和预分簇算法，-1和-2分别代表固定的分簇大小和可变的分簇大小。从表2中可以看出，对应每一种算法，簇大小可变的分簇方式相比簇大小固定的分簇方式在满足用户的需求速率方面做得更好。图2为移动用户的频谱效率累积分布。由图2可以看出，簇大小固定的算法频谱效率要优于簇可变的算法，这是由于对那些接收信号质量较好的用户，协作簇大小不会改变，依然会有较多的基站参与对其进行协作传输，从而提高了这部分用户的频谱效率。

图2 频谱效率累积分布Fig.2 Cumulative distribution of spectral efficiency

从所有用户的平均频谱效率的统计值和系统中平均每个用户的频谱效率这两个方面来验证选择的预分簇的权重值。

图3为预分簇中权重对用户平均频谱效率占比的影响。对5 000次仿真中所有移动用户的平均频谱效率进行统计，计算得出平均频谱效率大于4的所占比率。由图3可明显看出，当预分簇的权重为0.8时，用户平均频谱效率大于4的比率较大，效果较好。

图4为权重变化对系统内每个用户的平均频谱效率的影响，运行5 000次仿真后取平均值，可得出权重值为0.8时系统内每个用户的平均频谱效率最大。

图3 权重变化对频效占比的影响Fig.3 Effect of weight change on frequency ratio

5 结论

本文算法考虑了超密集部署下的异构网络中用户移动带来的负面影响，结合对下一调度时刻用户位置的预测，在用户选择基站组方面进行预处理，考虑CoMP传输基站的资源约束条件设计了以用户为中心的分簇算法，并比较了同种算法中固定大小的分簇与可变大小的簇的优劣。本文算法与原算法相比在用户需求的满足率上得到了较大的提升，在平均频谱效率上也有所改进。